基于改进暗通道先验的图像去雾算法研究.doc

OpenCV耦合改进暗通道先验的图像去雾算法研究 王帮元 （安徽经济管理学院0 引言 随着通信、电子技术、图像处理算法的蓬勃发展，视频监控、视频目标识别已运用在各个领域，并且已取得很大的发展，推动了科技和社会的前进[1]。然而，在实际生活中，由于雾天原因，导致安全监控目标的清晰度收到破坏，严重影响了目标识别精度。因此，图像去雾功能非常重要。图像去雾技术成为很多大型设备或者系统正常运作的先决条件。为了取得良好的图像去雾效果，诸多学者进行了研究，并提出了许多不同的图像去雾算法。王一帆等人[2]提出，首先在计算暗通道函数时,定义了一类暗区域对图像边缘的低强度像素点进行描述,该区域像素点的暗原色中值取其三原色通道的最小值,以代替原来的中值滤波运算值.此滤波方法不仅能有效去除Halo效应,而且避免了黑斑效应;然后基于大气散射物理模型定义一种伪去雾图,将其与原去雾图进行像素级融合对原图进行色度校正,实现了柔性去雾,改善了现有方法易出现过去雾的缺陷，实验结果表明该算法去雾后图像具有较好清晰度及色彩恢复度,去雾鲁棒性强.在大雾和图像色彩失真严重的情况下,仍可有效恢复图像。 郭璠等人[3]提出融合策略无需依靠大气散射模型或场景结构信息,只需通过原始衰退图像来获取其输入图与权重图，其中2幅输入图的作用主要是对原有雾图像进行颜色校正和对比度增强,而3幅权重图则突显了图像雾气较浓区域的细节信息。融合策略将上述输入图与权重图相融合以生成对比度高、色彩丰富的去雾图像[4]。此外,还从人类视觉感知的角度提出了一个新的去雾效果评价指标,从而为图像去雾与去雾效果评价问题提供了新的解决思路[5-6]。 尽管上述这些图像去雾机制能够取得较好的视觉效果；但是这些算法不稳定，当在大雾天气很严重时，这些算法就难以使用，图像去雾质量较差。 为了解决上述问题，本文提出了一个基于OpenCV耦合改进暗通道先验的图像去雾算法与实现机制。首先分析暗通道先验理论与雾图形成模型；然后对先验理论进行改进，推算出本文的去雾模型。最后引入OpenCV来增强系统运行效率。并测试了本文算法的图像去雾性能。 1暗通道先验与雾图形成模型 本文首先对暗通道先验与雾图形成模型进行研究，然后基于改进的暗通道理论进行图像去雾。 （1） 式中表示彩色图像的每个通道 ，Ω(x)表示以像素X为中心的一个窗口，Dark(x)表示暗通道图像中对应原图X处点的灰度值。 式（1）的意义：首先求出每个像素RGB分量中的最小值，存入一副和原始图像大小相同的灰度图中，然后再对这幅灰度图进行最小值滤波，滤波的半径由窗口大小决定，一般有WindowSize = 2 * Radius + 1。暗通道先验的理论指出： （2） 实际生活中造成暗原色中低通道值主要有三个因素：a)汽车、建筑物和城市中玻璃窗户的阴影，或者是树叶、树与岩石等自然景观的投影；b)色彩鲜艳的物体或表面，在RGB的三个通道中有些通道的值很低（比如绿色的草地／树／植物，红色或黄色的花朵／叶子，或者蓝色的水面）；c)颜色较暗的物体或者表面，例如灰暗色的树干和石头。总之，自然景物中到处都是阴影或者彩色，这些景物的图像的暗原色总是很灰暗的。 （3） 其中，I(X)就是我们现在已经有的图像（待去雾的图像），J(x)是我们要恢复的无雾的图像，A是全球大气光成分， t(x)为透射率。现在的已知条件就是I(X)，要求目标值J(x),显然，这是个有无数解的方程，因此，就需要一些先验了。将式（3）演变为： （4） 如上所述，上标C表示R/G/B三个通道的意思。首先假设在每一个窗口内透射率t(x)为常数，并且A值已经给定，然后对式（4）两边求两次最小值运算，得到下式： （5） 上式中，J是待求的无雾的图像，根据前述的暗原色先验理论有： （6） 因此，可推导出： （7） 把式（7）带入式（5）中，得到： （8） t(x)这就是透射率的预估值。在现实生活中，即使是晴天白云，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，另外，雾的存在让人类感到景深的存在，因此，有必要在去雾的时候保留一定程度的雾，这可以通过在式（8）中引入一个在[0,1] 之间的因子，则式（8）修正为： (9) 1） 从暗通道图中按照亮度的大小取前0.1%的像素。 2） 在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。继而可以进行无雾图像的恢复了。由式（1）可知： J = ( I - A)/t + A 现在I,A,t都已经求得了，因此，完全可以进行J的计算。因此，最终的恢复公式如下： （10） 算法改进 1、普通算法中的A最终是取原始像素中的某一个点的像素，本文实际上是取符合条件的所有点的平均值作为A的值，这样做是因为，如